唐诗数据分析学者

1. 数据分析揭秘：唐朝诗人间有怎样的微妙社交关系

数据分析揭秘：唐朝诗人间有怎样的微妙社交关系数据侠前进四先生 03-20 11:08李白对杜甫的感情，远不及杜甫对李白的深？白居易才是唐诗圈里“大V”中的战斗机？除了吟诗作对，数据侠告诉你，关于唐诗我们还可以用数据分析来激扬文字，寻找那些流散在字里行间的人物关系。

用CBDB数据库，打开分析唐朝诗人关系的大门前段时间随着《中国诗词大会》的热播，全国人民掀起了读唐诗的浪潮。在我还念中学的时候，每当心情不好，就靠读诗词来排遣。

作为一名古典诗词爱好者，慢慢读得多了，就发现唐朝诗人之间存在着微妙的关系。比如杜甫非常喜欢李白，到了做梦都想见李白的地步：三夜频梦君，情亲见君意（《梦李白》）。

而李白向孟浩然表过白：吾爱孟夫子，风流天下闻（《赠孟浩然》）。孟浩然的好基友则是王昌龄：数年同笔砚，兹夕间衾裯（《送王昌龄之岭南》）。

出于好奇心，我一度想理清楚他们之间的关系。但是这件事主要有两个非常棘手的点：全唐诗数量太多了，一共有四万多首。

诗人的别称太多，比如杜甫：按字称为子美，按排行称为杜二，按官职称为杜工部。整理起来非常麻烦。

针对第一点，我现在用计算机来做，即使数量再多也无所谓。第二点则稍微费事一点，我们使用了哈佛大学编纂的《中国历代人物专辑资料库》（China Biographical Database Project 以下简称CBDB）。

CBDB记录了中国历代名人的传记资料，并保存在关系型数据库中。CBDB由很多张表组成，每张表记录了人物的不同信息。

在我们这次的分析中，只用到了其中两张表，人物的主要信息表：BIOG_MAIN和人物的别名表：ALTNAME_DATA。首先从BIOG_MAIN中查询出人物编号c_personid，接着用c_personid从ALTNAME_DATA中查询出别名，如下图所示：图中能够看到杜甫有三个别称：子美、杜二、杜工部。

当然也有很多重名的现象。比如我们查询王维时，会找出一堆叫王维的。

这个时候，我们就要使用生卒年来判定：这个人物到底是不是唐朝的。这次要从数据库中查询人物的生卒年。

唐朝建立于618年，灭亡于907年。对比后立刻发现，第二个王维才是我们要找的诗人王维。

查询别名核实一下：看到了熟悉的王右丞和摩诘，没错，这正是王维同学。由于CBDB收罗的历史人物太多，重名现象非常严重。

经过一番探索，我最终设置了如下的排除重名策略：如果人物生卒年俱全，那么只要生卒区间和唐朝持续时间有交集即可。如果存在这样的诗人，那么直接把这个人作为全唐诗中的作者。

如果人物只有生年或者卒年，那么生年或卒年必须在唐朝的持续时间内。将这样的人加入候选人列表。

如果人物生卒年都不详，那么舍弃之。经过这三条判断之后：如果候选人列表为空，那么说明CBDB中没有目标人选，舍弃这位诗人。

如果候选人多于一个，则说明排除重名失败，舍弃这位诗人。这种策略并不完美，存在部分注明诗人被舍弃的情况。

为此我手动添加了他们：还有部分诗人的别称比较尴尬，属于唐诗中的常用词，需要手动去除。如下：经过这一番筛选，全唐诗中原本的2609位作者，只剩下了762位。

这就够了，著名的诗人都在这个列表当中，接下来我们只关心这762位诗人之间的关系。李白不如杜甫重情义，白居易才是真“大V”利用上面的诗人及别称列表，我们在全唐诗中来搜索诗人之间的引用关系。

规则是：诗的标题和正文中只要提到过对方，那么两者之间的引用关系加1。一首诗如果提到多次对方，只算一次引用。

经过计算机一番运转，最终得到了引用关系表。首先来检查一下李白和杜甫之间的引用关系：不错，杜甫写了12首与李白有关的诗，李白则只有3首与杜甫有关的诗。